通过机器学习预测型肝炎感染

科学领域:

• 肝病学 肝病学是一种肝病学.
• 传染性疾病 传染性疾病
• 医学诊断 医学诊断 医学诊断

背景情况:

• 肝炎C病毒 (HCV) 感染的诊断通常依赖于昂贵的HCVRNA测试.
• 目前的诊断标记物,如HCV-抗体 (HCV-Ab) 和生物化学标记物,其准确性低于最佳.
• 机器学习使用这些标志物来提高HCV的诊断准确性的潜力尚未得到充分证实.

研究的目的:

• 研究HCV-抗体 (HCV-Ab) 水平,生化指标和HCV感染之间的关系.
• 评估机器学习在提高这些标记物的诊断准确性方面的有效性,以早期检测HCV.
• 探索与HCV感染有关的诊断标志物的非线性关联和值效应.

主要方法:

• 对179名患有升高HCV-Ab水平的患者进行了回顾性研究.
• 使用单变量逻辑回归和受限立方线 (RCS) 来分析关联.
• 开发了一种整合HCV-Ab和生物化学指标的机器学习模型,用于早期HCV感染预测,并通过ROC分析验证.

主要成果:

• 确定了HCV-Ab,ALT,AST,mAST和GGT的非线性关系和值效应.
• 在HCV-Ab检测中,出现了11.17 S/CO. 的转折点.
• 综合机器学习模型表现出了出色的预测性能,AUC为0.977.

结论:

• 在HCV感染中,HCV-Ab,ALT,AST,mAST和GGT呈现出非线性关联,具有明显的值效应.
• 这些标记物的机器学习集成为早期HCV感染预测提供了一个高度准确和具有成本效益的策略.
• 这种方法为传统诊断方法提供了一个有希望的替代方案.